Aprendizagem e Medias Sociais/Aprendizagem em colectivos

Origem: Wikilivros, livros abertos por um mundo aberto.

APRENDENDO COM OS COLETIVOS - CAPÍTULO 7[editar | editar código-fonte]

Mas aqui está o dedo de Deus, um lampejo da vontade que tudo alcança

Sempre na origem de todas as leis,  que as fez e, vêde, ei-las!

E eu não sei se, salvo aqui, tal dom seja permitido ao Homem

Que com três sons ele compôs, não um quarto, mas uma estrela.

Robert Browning, “Abt Vogler”


Até agora, nós temos observado os coletivos das pessoas. Redes, conjuntos e grupos são agregações por indivíduos que definem as relações, normas, comportamentos e atividades que realizam em conjuntos ou sozinhos. Nós vimos que, embora as redes e os conjuntos ofereçam muitos benefícios para os alunos, a perda das estruturas tecnológicas de grupos combinados com a falta da presença de um professor pode colocar um grande ônus para o aluno ao tomar decisões em situações das quais ele pode não estar adequadamente estruturado e potencialmente o levará a caminhos abaixo do ideal e, ocasionalmente lhe trará o medo e a confusão que interferem no caminho de um eficaz aprendizado. Neste capítulo, voltamo-nos para uma espécie de entidade diferente, composta não de pessoas, mas de uma amálgama de suas ações e produções Nós descrevemos esta entidade como o coletivo. O coletivo podem, sob certas circunstâncias, replicar ou mesmo melhorar o valor organizacional de grupos, redes e conjuntos sem a sobrecarga dos processos de grupo, e assumem muitas das funções de um professor. Coletivos são, portanto, cruciais para a realização do potencial da multidão; eles são talvez, mais do que qualquer outra coisa, o que dá o componente social moderno e o potencial para se ter uma partida verdadeiramente radical das abordagens educacionais, tradicionais de ensino Nós começamos a perceber os benefícios dos coletivos para o aprendizado, e há muitas armadilhas e obstáculos para serem vencidos antes que eles possam realizarem as suas promessas, alguns dos quais abordaremos neste capítulo. Os Coletivos podem ser como um professor, mas muito cuidado, eles podem ser maus professores.

Este capítulo está organizado igual aquele sobre os grupos, redes e conjuntos, mas a ênfase em cada seção será um pouco diferente por duas razões principais:

• O coletivo desempenha o papel de um professor, não de um conjunto de alunos. Nós estamos interessado, portanto, não tanto em como aprender com um coletivo mas, em como um coletivo pode ensinar, ou em como podemos aprender dos coletivos.

• No ciberespaço, um coletivo é geralmente uma tecnologia cibernética, composta por duas pessoas e um sistema de processamentos de dados Portanto, vamos assim dar mais atenção aos princípios das concepções tecnológicas para os coletivos na aprendizagem. 

Em termos de aprendizagem, a relação não é entre muitos para um ou muitos para muitos, como aqueles em que nós encontramos num grupo, conjunto ou numa rede, mas em vez disso é um trabalho de uma relação um a um entre um indivíduo e uma única entidade composta de muitas partes. Assim, em muitos aspectos, um coletivo desempenha o papel de um professor num binômio. O potencial benefício dos coletivos como ferramentas educacionais são grandes, e usadas corretamente elas oferecem o benefício do julgamento humano como um motorista de uma inteligência artificial. Ali estão todas abordagens tradicionais de tentativas de imitar os comportamentos e os pensamento dos seres humanos ou outras criaturas, seja como um análogo direto (por exemplo, redes neuronais) ou como por um meio de identificações alienígenas ao dar a aparência a uma forma imaginária. Os Coletivos não ou nem sempre fazem bem feito, eles são simplesmente um meio de mineração e uso de atividades da multidão para criar sabedoria. Se formos capazes de aproveitar essas ferramentas para ajudar no processo de aprendizagem, em seguida, a sabedoria da multidão poderá guiar-nos em nossas jornadas de aprendizagens. Mas, mal utilizadas elas podem ampliar e permitir turba estupidez, que só irá nos guiar em direções inúteis.

Diferentes significados de coletivos[editar | editar código-fonte]

 A palavra "coletivo" pode provocar muitas associações de perda de identidade pessoal. Há algo de ameaçador sobre a perda da individualidade associada à mente coletiva ou anotações imaginárias de “Borg”, isto claro, ampliado quando a escolha humana em participar é eliminada, como exemplificada na afirmação de “Borg”, "A resistência é inútil." Sandberg (2003) explora estes conceitos e analogias desfavoráveis entre as mentes dos coletivos e as dos seres humanos, em que os benefícios do superorganismo estão disponíveis apenas para aqueles que desistiram de seu individualismo. Turchin e Joslyn em seu Manifesto sobre a cibernética descrevem semelhantes meta sistemas que são criados, “quando uma série de sistemas se integram de modo que um novo nível de controle emerge”. (1989, parágrafo. 5). Eles mostram que estes sistemas de controle mais elevados desenvolveram-se a partir de um controle de movimento, por meio do controle do pensamento individual ao surgimento da cultura humana. Mais uma vez nós não gostamos de usar uma conotação coercitiva da palavra “controle”, mas reconhecemos que como a vida evoluiu para entidades mais complexas, meta-sistemas são necessários para a sobrevivência. No entanto, não há nenhuma razão pela qual um coletivo humano tenha que englobar os seus participantes. Ele cresce como resultado de suas atividades, em princípio, não levando em conta a distância dos indivíduos que a compõem. Vemos as atividades coletivas de uma forma mais instrumental, semelhantes àquelas onde se exerce uma ação individual para se explorar um potencial fornecido por ferramentas de trabalhos. Nós percebemos que as atividades no ciberespaço estão constantemente sendo extraídas e compartilhados em alta velocidade, e que há um grande risco de se tornarem enredadas numa única visão do mundo, ou presas numa câmara de eco como vítimas da bolha de filtro (Pariser, 2011). Bem, de qualquer forma, nós não achamos que isto implique numa maior perda de controle do que aquela que damos a um engenheiro de tráfego, ou a um repórter de tráfego numa estação de rádio narrando os números de veículos que utilizam um cruzamento a qualquer dado momento. Na verdade é até menos controlador, porque toda a Internet é apenas uma URL de distância, e nós não precisamos usar esse cruzamento para chegar lá. E como a internet é engenhosamente própria em rotas e nós danificados aos seu redor, o conhecimento da atividade coletiva possivelmente nos ajuda a tomar decisões individuais. O coletivo é um complemento, e não uma subtração. 

É claro que um coletivo muitas vezes cometem erros, e nós vemos evidências de pensamentos de grupo, a proliferação do meme errônea ou caluniosa, “a bolha de filtro” que estirpe ideias desconfortáveis, eco câmaras que amplificam ideias banais ou até mesmo o mal, dependendo da trajetória, o apego preferencial, preconceitos, viés de confirmações e muito mais; isto para não mencionar a extração ilegal ou imoral das atividades individuais e identificáveis das ações coletivas. Há perigos potenciais na construção coletiva que precisam ser tratadas através de um projeto cuidadoso, e vamos discuti-los com mais detalhes, mas essas deficiências não são estritamente características de coletivos: mau uso e ineficiências acompanham todas as formas de organização humana. Deve-se julgar o valor de uso de uma ferramenta em comparação a esses custos, e os coletivos aos quais falamos são ferramentas, e não mentalidades. Mesmo assim, como uma citação atribuída a Marshall McLuhan (1994) nos lembra, " Nós moldamos as nossas ferramentas, e posteriormente as nossas ferramentas moldam-nos " (p. Xi), precisamos de prática e tempo para desenvolver o uso de ferramentas de formas que nos permitam otimizar nossos egos individuais e sociais num universo complexo. A resistência pode não ser inútil, porém é na resistência que se recriam as tecnologias para atender às nossas necessidades individuais e sociais.

Muitos autores têm tentado lidar com o que define a inteligência coletiva, mas de maneiras que significantemente diferem do nosso uso. Malone, Laubacher, and Dellarocas (2009) descrevem uma série de padrões de projetos para diferentes formas de inteligência coletiva da qual o próprio coletivo, como nós o definimos, isto é apenas uma entre muitas. A inteligência coletiva é o resultado da combinação do comportamentos de coordenadas que representam a capacidade de um grupo maior, para resolver problemas mais complexos, ou para resolver problemas mais simples de formas mais eficaz do que um indivíduo sozinho conseguiria. Howard Bloom, por exemplo (2000, pp 42-44), enumera cinco elementos essenciais para este tipo de inteligência de grupo e sucesso:

• Conformidade de mecanismos impulsionadores para garantir a similaridade entre os membros

• Diversidade geradoras de mecanismos para assegurar algumas diferenças

• Mecanismos de juízes internos para capacitar os indivíduos a tomar suas próprias decisões

• Recursos de trocas de mecanismos para recompensar o sucesso e punir falhas

• Torneios intergrupais, competições entre os subgrupos.

A noção do coletivo de Howard Bloom é ao mesmo tempo mais ampla do que a nossa, e de remadora estreiteza. Mais ampla, porque ele vê a inteligência coletiva como um efeito combinatório de muitos indivíduos intencionalmente coordenados em que a tecnologia pode apenas desempenhar um papel de apoio. Mais estreita, porque a sua preocupação é com o alavancar dos processos de grupos convencionais para alcançar um bom resultado. Uma forma um pouco diferente de ver a inteligência coletiva é fornecido no campo de cognição distribuída. Isto é, igualmente direcionada com a forma de inteligência coletiva que é distribuída entre muitos, incluindo os artefatos que criam: a cognição ocorre necessariamente com os outros, como resultado dos objetos compartilhados e ferramentas que usamos, e nas habilidades diferentes e capacidades das pessoas que trabalham em aprender juntos. Essas definições estão compelindo, mas diferem de nosso uso mais limitado do termo como eles estão preocupados com as formas que consideramos inteligência coletiva para divulgar entre os indivíduos e seus artefatos, e não como um agente distinto em si. Nós não estamos apenas preocupados com a inteligência coletiva como uma forma de cognição distribuída, mas com distintas entidades individuais. É por isso que nós as chamamos de "coletivos" em vez de "inteligência coletiva." Nós estamos tratando os comportamentos combinados de multidões como identificáveis objetos que, por direito próprio corporificam um tipo de inteligência coletiva.

Definindo o coletivo[editar | editar código-fonte]

Os Coletivos são entidades compostas formadas pelos efeitos agregados das atividades das pessoas em grupos, conjuntos e redes. No mundo natural e humano, os coletivos são comuns. Eles são emergentes, atores distintos formados a partir de múltiplas interações locais entre as partes individuais, seja diretamente ou mediadas por meio de sinais, sem controle de cima para baixo. Por exemplo, as formigas deixam um rastro de feromônios quando voltam para o ninho com comida, eles agem como um guia para o alimento das outras formigas, que deixam suas próprias trilhas de feromônios, por sua vez, reforçando, assim, a trilha e atraindo outras formigas até que o alimento acabe e a trilha evapore (Bonabeau, Dorigo, & Theraulaz, 1999). O coletivo é a combinação de interpretações de sinais que saem e os sinais que levam ao comportamento de auto-organização de um todo, o que é diferente do comportamento de qualquer indivíduo único em relação ao exemplo das formigas. Da mesma forma, uma multidão se reuni numa rua e age como um ímã para outras pessoas para se juntar à esta multidão, que por sua vez aumenta a atração da multidão. A negociação de moedas correntes, ou ações reciprocamente influenciam o mercado para esses itens, incentivando a compra ou venda por terceiros, que por sua vez afeta os comportamentos daqueles que iniciou a ação e aqueles que a seguem. Não é apenas as ações dos indivíduos que afetam a outros indivíduos, mas os padrões emergentes deixados pelas múltiplas interações de muitos que geram mudanças no comportamento dos indivíduos singulares. Cada indivíduo interage com um único coletivo do qual ele ou ela faz parte.

Os coletivos podem ser intencionalmente criados e mediados: por exemplo, quando um professor solicita mãos erguidas, ou os eleitores votam numa eleição, as decisões individuais são agregadas por alguma autoridade central e, por sua vez influenciam as decisões posteriores daqueles que compõem a multidão. Isto pode, por exemplo, ajudar a balançar eleitores indecisos de uma forma ou de outra em uma eleição. No ciberespaço, um coletivo é muitas vezes este tipo de cyber-organismo intencionalmente projetado num computador ou computadores, que recolhem e tratam dos comportamentos de muitas pessoas. Esses coletivos são formados a partir das ações intencionais de pessoas ligadas através de algoritmos de sistemas de processamentos de dados que se faz visível através de uma interface homem-computador. Ele é parcialmente constituído por programas e máquinas, parcialmente dos comportamentos individuais e cognição dos seres humanos. É importante distinguir o papel de mediador em tal coletivo a partir de uma inteligência artificial independente. Por exemplo, um motor de busca que retorna os resultados apenas com base em palavras ou grupos de palavras não é mediadora das ações de uma multidão: ele é simplesmente o processamento de informações. No entanto, se esse motor de busca usa sinais explícitos ou implícitos de seus utilizadores ou preferências que estão implícitos por links em páginas da web, como o Google Page Rank, então ele está fazendo uso das ações agregadas de muitas pessoas para influenciar aqueles que o seguem: Ele é um coletivo. E pode ser visto como um substrato para uma interação mais do que uma máquina de processamento. Enquanto fenômenos naturais, como as trilhas de formigas e os cupinzeiros estão utilizando as propriedades físicas do mundo, os computadores nos permitem manipular a física da interação e criar novas formas de agregar e processar o que as pessoas têm feito, aumentando significativamente as possibilidades adjacentes.

Grupos, conjuntos e redes são definidas por adesão, em comum, e as relações entre pessoas que geralmente compartilham um interesse em comum. Os coletivos não envolvem nenhuma relação social com outras pessoas identificáveis em tudo, a menos que as relações sociais aconteçam para desempenhar um papel ao qual está sendo combinado e que comporta os coletivos como um agente individual distinto: nós não interagimos com as suas partes, mas com o todo, para que os nossas próprias ações possam contribuir. Um coletivo torna-se, assim, uma entidade distinta e ativa dentro de um sistema, com as suas próprias dinâmicas e comportamentos que não são necessariamente as mesmas as ações que os indivíduos causaram.

Os coletivos e as tecnologias  [editar | editar código-fonte]

A maioria das coletividades humanas podem ser pensados como cyborgs, composto de partes do corpo humano e um conjunto de processos e métodos para combiná-los o que são, se promulgada na cabeça das pessoas ou mediada através de um computador de natureza profundamente tecnológica. Por mais que os grupos, coletivos sejam definidos pelas tecnologias que eles montam. Assim como um grupo é inconcebível sem os processos e métodos que o constituem, um coletivo é inconcebível sem um algoritmo (um conjunto de procedimentos) promulgada para fazê-lo emergir Enquanto um algoritmo é essencial, isso não implica necessariamente numa base tecnológica para todos os coletivos: há uma abundância de coletivos naturais, tais como bloqueios de aves, rebanhos de gado, enxames de abelhas, e ninhos de cupins que não são assistidas por qualquer tecnologia , pelo menos não sem esticar a definição de "tecnologia" além dos limites que normalmente reconhecemos. No entanto, quando um algoritmo é promulgado como uma peça do sistema, como é o caso na maioria dos coletivos no ciberespaço COL-, o coletivo é parte da máquina, parte multidão.

Algumas afirmações sobre o coletivo[editar | editar código-fonte]

A partir da nossa definição de um coletivo segue-se que:

• Alguém ou alguma coisa tem que realizar o agrupamento de ações que compõem os coletivos. Isto pode ser distribuído entre a coleção dos indivíduos, ou centralizada por um indivíduo ou uma máquina.

• O subconjunto de ações específicas para observa-las deve ser escolhida por uma pessoa (ou algum grupo de pessoas, ou por uma máquina) a partir do intervalo de todas as ações possíveis.

• O que é feito com os comportamentos agregados ou parcelados têm de seguir uma ou mais regras e/ou princípios: um algoritmo é usado para combina-los e processá-los.

• O resultado deve ser apresentado de uma forma que influencie as ações dos indivíduos (que podem ou não podem ter contribuído para as ações originais). Se não fosse esse o caso, então o coletivo não teria nenhuma agência dentro do sistema, e não seria de grande utilidade para a sua criação em primeiro lugar.

Nós ilustramos o coletivo graficamente na figura 7.1. Note que os componentes individuais do coletivo pode ser pessoas, máquinas, ou ambos, em cada fase do processo.

CRIAÇÃO DE COLETIVOS

Figura 7.1 um modelo de como se forma um coletivo.

Um coletivo muitas vezes envolve um ciclo de realimentação de interações mediadas e transformadas. Os comportamentos dos indivíduos são:

• Capturado (por observação ou por mediadores tecnológicos, como computadores ou coletores de votos)

• Processados e transformados por algoritmos (que podem ser aplicadas por aqueles indivíduos ou por algum outro agente, humano ou máquina) e...

• Comentários ou exibido mais ou menos diretamente àqueles e potencialmente outros indivíduos que, por sua vez, afetarão os seus comportamentos.

Um computador pode ou não pode estar envolvido com qualquer parte desse contínuo. Significantemente é possível que todo o processamento e apresentação necessária que aciona o sistema para ser facetas da cognição e comportamento das pessoas, como vemos na formação de multidões numa rua. Cada pessoa toma uma decisão, o conjunto formando uma multidão, que por si só então age como uma recomendação para se juntar à multidão, conduzindo, assim, o seu próprio crescimento. A multidão é ao mesmo tempo um sinal e o resultado desse sinal. Da mesma forma, mesmo quando um coletivo é mediada, o cálculo e apresentação pode ser realizada por um agente humano: um professor de recolha e soma um show de mãos numa sala de aula para que os alunos possam escolher entre uma das duas opções, por exemplo, está usando coletivo afetarão a inteligência para o seu comportamento. A decisão de que um professor faz não é baseada em diálogo com um indivíduo, mas com o o conjunto completo que ele ou ela agrega, de modo que toda a classe torna-se um agente de decisão. Às vezes, tanto humanos e computador são combinadas.

Pessoas e / ou máquinas podem realizar a formação e filtragem. Isto pode ocorrer em vários pontos em continuidade:

1. Durante a filtragem das seleção das ações relevantes é provável que ocorra, onde a máquina (controlada por um programador) decide que ações gravar e a partir de quais pessoas.

2. Durante o processamento, em que a máquina atribui prioridade ou importância, a fim de produzir a classificação e / ou reduzir o número dos resultados retornados.

3. Durante a apresentação, onde a máquina filtra os itens exibidos ou molda a forma de visualização de forma que alguns são mais proeminentes do que outros (por exemplo, através da ênfase visual, a ordem de apresentação, ou a colocação em pontos diferentes numa rede de navegação ou hierarquia).

Porque um coletivo pode ser visto como um agente individual, em seguida, de forma recursiva, é possível tratar um como parte de outros coletivos. Por exemplo, quando um tal coletivo como a Delicious, CoFIND (Dron, Mitchell, Boyne, et al., 2000), ou Knowledge Sea (Farzan & Brusilovsky, 2005) é utilizado para ligações de agregados que apontam para outros sites numa única página, essa página é tratada pela Pesquisa Google (um coletivo) mesmo que muitos tenham sido criado por apenas uma pessoa. Esta recorrência individual pode atingir profundidade considerável.

Coletivos Estigmérgicos [editar | editar código-fonte]

O termo "estigmergia", surgiu a partir das palavras gregas para “sinal e ação”, e foi criada pelo biólogo Pierre-Paul Grassé para identificar as construções dos ninhos dos cupins e outros sistemas naturais onde os sinais diretos ou indiretos deixados no ambiente influenciam o comportamento daqueles que os seguem, levando a um comportamento de auto-organização. Muitos sistemas coletivos são estigmérgicos, e na natureza eles oferecem muitas vantagens. A Estigmergia promove ações e ideias que permitem coletivamente o desempenho de "atividades e resoluções de problemas que excede o conhecimento e o âmbito computacional de cada membro individual '' (Clark, 1997, p. 234). A Estigmergia pode ser vista em muitos sistemas, como os dos mercados monetários (onde o dinheiro é o sinal), tal como o exemplo aninhar-arrumação em formigas (onde a desordem é o sinal). É abundante no ciberespaço, influenciando os resultados de pesquisas retornados pelo Google, por exemplo (Gregorio, 2003), e é a base dos sistemas de ensino que empregam navegação sociais (por exemplo Dron, 2003; Dron, Boyne), & Mitchell, 2001; Farzan & Brusilovsky, 2005; Kurhila, Miettinen, Nokelainen, & Tirri, 2002; Riedl & Amant, 2003), permitindo que os utilizadores tomem consciência das ações, dos interesses, categorizações e classificações dos outros.

Muitos sistemas que coletam a exibição dos conteúdos dos utilizadores gerados têm algumas características estigmérgicas pelo qual os indivíduos são influenciados pelos comportamentos recolhidos do todo. Por exemplo, os utilizadores são influenciados pelos ratings ou os números e as profundidades das postagens num fórum, ou pelos números de visualizações das alterações na página de um site social. Em cada caso, o sistema fornece uma interface que mostra algum aspecto do comportamento da multidão, que por sua vez afeta o comportamento futuro dos indivíduos que compõem esta multidão.

Os Coletivos não Estigmérgicos [editar | editar código-fonte]

Embora muito comum em aplicações coletivas, estigmergia não é uma característica definidora de um coletivo, ou pelo menos, não de forma direta e simples. Há uma variação sobre o tema que é tão útil e, em alguns aspectos, superiores à auto-organização, e a forma dinâmica em que as escolhas e decisões de uma multidão são minadas, aplicando princípios semelhantes aos outros coletivos para identificar algumas decisão, tendência ou cálculo. Tais sistemas são quase todos baseados em torno do uso dos coletivos, porque aqueles em grupos e redes geralmente são muito mais conscientes das ações uns dos outros e são influenciados por eles. Exemplos clássicos do gênero são sistemas de recomendações e filtros colaborativos que fazem uso de ações ou preferências para identificar interesses ou necessidades futuras. Isto é positivo porque como Surowiecki (2004) apontou, que as multidões são apenas sábias quando elas não têm conhecimentos do que o resto da multidão está fazendo. Por definição os sistemas estigmérgicos quebram essa regra, pelo menos na frente delas. Há evidências de que a afirmação de Surowiecki é verdadeira. Os efeitos desastrosos fora do controle estigmérgico. Atua como um banco onde o combustível é executado através das pessoas que retiram o dinheiro e serve como um sinal para que os outros sigam os seus exemplos, e isto mostra muito claramente a desvantagem potencial das pessoas estarem conscientes das ações umas das outras ".Da mesma forma, Salganik, Dobbs, e Watts (2006), mostram que, quando as pessoas podem ver as escolhas que os outros fizeram para as classificações de canções num gráfico, que altera profundamente as paradas gerais: a influência social em seu estudo feito para os resultados dos gráficos foram diferentes quando comparados às escolhas independentes e, quando comparada com as escolhas individuais, os rankings são menos satisfatórios para todos os relativos. No entanto esta não é uma equação simples.

O autor Dron realizou um estudo para descobrir a influência das escolhas dos outros sobre o comportamento que mostram uma combinação de condutas de escolhas copiadas e as escolhas de decisões racionais, e nas deliberadas estupidez em escolher as opções diferentes das opções selecionados pelos outros quanto possíveis (2005a ).Na época, esses efeitos pareciam surpreendentes: os comportamentos esperados eram de que as pessoas geralmente fariam as piores escolhas copiando aqueles que vieram antes delas, não evitando deliberadamente esse tipo de comportamento. Estes resultados são, no entanto, confirmados por outras pesquisas. Ariely (2009), por exemplo, descobriu que o comportamento de pessoas num grupo ao fazer um pedido de uma cerveja ao contrário das pessoas individuais foram significantemente diferentes. Neste experimento os participantes mostraram uma tendência deliberada ao pedir diferentemente dos seus companheiros, apesar da preferência de cada um, sem usar esta influência a cerveja poderia ser uma que já tinha sido pedida pelos outros anteriormente. Embora a influência das pessoas anteriores pudessem distorcer os resultados das decisões coletivas, o importante é que eles foram no máximo tão bem nas escolhas, quanto os companheiros que pediram primeiro. Ou seja, escolhas independentes dos agregados a um grupo, são muito mais bem sucedidas para induzir sabedoria na multidão.

Nós temos uma tendência para sermos influenciados por decisões que foram tomadas antes, mesmo que de forma positiva (nós as sigamos) ou negativa (nós deliberadamente não as seguiremos). Isso é claramente evidenciado em sites sociais como o Twitter, onde o que é uma "tendência" ou o mais popular, é promovido levando algumas vezes vastas ondas de interesse viral. No entanto, como já observamos, isso pode ser problemático.  Existem algumas soluções simples, no entanto, que não limitam a sabedoria na multidão, mas ainda trazem os benefícios da adaptação e mudança dinâmica que gera um ciclo de comentários. O mais eficaz destes é o mais simples: a introdução de atraso para o circuito fechado de realimentação (Bateson, 1972). Se a multidão não sabe o que o resto da multidão está pensando, então é muito mais fácil para que ela seja sábia. Isto é evidente quando os resultados das pesquisas são apresentados como um incentivo para votar, mas só depois que algumas preferências são digitadas. O Flickr usa isso como boa vantagem quando o fornecimento das palavras chaves mais atribuídas as fotos compartilhadas no site do dia anterior, da semana anterior, e no geral: recentes palavras chaves raramente são valiosas, embora possam ocasionalmente mostrar o comportamento da época da multidão. Mas, como o atraso aparece, eles fornecem classificações mais relevantes e potencialmente úteis.

Enquanto muitos coletivos não são diretamente estigmérgicos, a estigmergia pode, contudo, reinserir a imagem quando os resultados são retornados para os indivíduos. O Google, por exemplo, usa as minas de avaliações implícitas independentes dos sites, mas porque elas desempenham um papel tão proeminente em ajudar as pessoas a encontrar as páginas de seus interesses, isto é mais provável do que as páginas que aparecem no topo dos resultados das pesquisas, elas serão vinculadas, reforçando portanto a posição daquelas que já estão em destaque de uma maneira estigmérgica.

Liberdades cooperativas na aprendizagem coletiva[editar | editar código-fonte]

Enquanto o coletivo não é em si uma forma social, e por isso não é diretamente comparável com os modelos de aprendizagem do indivíduo, grupo, rede, e conjuntos (em que se baseia nas formas sociais, de modo a existir em todos), existem alguns benefícios distintos que emergem do seu uso efetivo.Mais notavelmente, embora muitas das vezes irá herdar as limitações da sua forma social materna, que pode ser uma forma de preencher o vazio, onde as liberdades podem ter estado indisponíveis noutras formas sociais. Nós não apresentamos o nosso esquema habitual das liberdades cooperativas para o coletivo, porque depende inteiramente da natureza envolvida, mas nós descrevemos algumas das maneiras onde os coletivos contribuem, ou em raros casos, retiram as liberdades cooperativas.

Tempo

Os Coletivos tendem a herdar as limitações das formas sociais que surgem. Por exemplo: naqueles que emergem em contextos sincrônicos tendem a aparecer em tempo real, apesar das ferramentas baseadas na linha do tempo poderem adicionar riqueza extra para essas experiências e, se eles são participantes registados, podem adicionar camadas para as interações originais, por exemplo, mostrando padrões que podem ter ocorrido dentro das interações originais de participantes anteriores. Donath, Karahalios, e Viegas (1999), usaram isto para um bom efeito no sistema de círculos de bate-papo estigmérgico, do qual foi de outra forma restrita a dinâmica em tempo real. Da mesma maneira, quando eles emergem de ferramentas de discussões, eles podem destilar os testes padrões de pesquisas a partir deles. Por exemplo, um dos primeiros filtros de colaboração usado para o aprendizado, PHOAKS (Pessoas que se ajudam umas às outras aprenderem mais), desde as suas recomendações de fóruns de discussões, e de minerações para obterem links para os recursos usando essas recomendações como implícitas para os outros (Terveen, Hill, Amento, McDonald, & Creter, 1997), permitindo assim a liberdade de tempo para se envolverem com o sistema separadamente a partir das discussões reais geradas por eles.

Local

Tal como acontece com todas as ferramentas das redes, os coletivos fornecem algumas limitações na aprendizagem local que pode ocorrer, exceto quando eles surgem em tempo real a partir das multidões colocadas juntas.

Conteúdo

A liberdade do conteúdo depende muito da forma que o coletivo tem. Muitos são utilizados como recomendações de outras pessoas ou de conteúdos, o que sugere uma variedade de alternativas que limitam as escolhas que podem ser feitas. O efeito disso pode ser muito grande; são sempre grandes as chances de um utilizador clicar numa das duas primeiras opções apresentadas pelas pesquisas do Google, por exemplo, do que as chances deles clicarem na última opção da página, mesmo quando os resultados são deliberadamente manipulados para mostrar as "piores" opções primeiro (Joachims, Granka, Pan, Hembrooke, & Gay, 2005). Curiosamente, as hipóteses de um utilizador clicar sobre os recursos dos anúncios médios, são ainda mais baixos do que são para clicar na última opção de uma página. Quando nós confiamos no coletivo, a crença em sua exatidão frequentemente substitui até mesmo as nossas próprias opiniões de qualidade (Pan et al., 2007). Nalguns casos, tais como quando um utilizador clica em "Estou com sorte" numa pesquisa no Google, pode não haver nenhuma escolha apresentada. Claro que é preciso lembrar, que o utilizador está sempre livre para procurar em qualquer outro sitio. Estamos cientes de que que não há coletivos, porém, mesmo que o Google use as pesquisas coercivamente; As regras deles são sempre de persuasão.

Delegação

A capacidade de delegar o controle a um coletivo depende do contexto. E isto ocorre de muitas maneiras: aceitando uma recomendação ou permitindo que um coletivo possa moldar o ambiente da informação, é delegar intencionalmente esse controle para alguém. No entanto, o contexto típico de uso coletivo em sistemas atuais é a do aluno autoguiado que faz uma decisão ser ativa para usar o coletivo. Até agora, houve poucas tentativas feitas para utilizar os coletivos de forma a moldar toda uma jornada de aprendizagem, e aqueles que tentaram não conseguiram.

Relacionamentos

Além do uso dos coletivos para recomendar pessoas ou moldar o uso dos diálogos, os coletivos têm pouca incidência na liberdade dos relacionamentos. No entanto, como um coletivo é um agente ativo semelhante a um ser humano em termos de comportamento, é muitas vezes possível que eles se envolvam mais ou menos, ou totalmente com o próprio coletivo, onde tipicamente isto dá informações ao coletivo para que ele possa fornecer melhores informações ou aconselhamentos.

Por exemplo, se está conectado como um utilizador do Google, quanto mais informações ele tem sobre si, mais o Google lhe dará resultados personalizados e precisos (ou seja, será mais propenso a encontrar os resultados que você está à procura). Da mesma forma, muitos filtros colaborativos usam as classificações e / ou preferências explícitas (por exemplo, MovieLens ou Netlix para filmes, Amazon para livros) para melhorar a precisão de suas predições sobre o que você pode gosta.

Meios

Regra geral, os coletivos são neutros aos meios: eles podem ou não colocar restrições sobre os meios de comunicação usados e, como já observamos, eles são geralmente utilizados ​​num contexto em que o aluno tem o controle sobre o que escolher e quais os coletivos que serão usados ​​para a aprendizagem.

Tecnologia

Muitos sistemas coletivos funcionam igualmente bem em várias plataformas tecnológicas. Mais uma vez, no entanto, os detalhes dependem do contexto de utilização: por exemplo, um sistema que utiliza uma localização, é obrigado a usar tecnologia que possa fornecer essa informação.

Método

Mais uma vez, o contexto determina o método de escolha dos coletivos, porque eles são usados ​​principalmente por estudantes independentes, as escolhas e os métodos são mais dependentes do aluno do que as ferramentas. Os coletivos em geral agem como professores controláveis, permitindo ao aluno escolher quais os melhores métodos que combinam mais com ele. Pouquíssimos coletivos existentes aplicam alguma pedagogia intencional, e esta é uma área que exige maior investigação.

Ritmo

Há poucas ocasiões em que o ritmo faz a diferença quando se utiliza um coletivo para a aprendizagem, embora às vezes hajam limitações, devido ao tempo que pode levar para um coletivo ganhar um conhecimento rico e suficiente de outros indivíduos em que as multidões lhes possam fornecer ajuda. As grandes utilidades da maioria dos sistemas dos coletivos sofrem de um problema de arranque de partida: eles apenas oferecem valor quando os números suficientes de ações forem capturados, por isso, até então, não há nenhuma razão para usá-los, o que cria dificuldades para que se ganhem números suficientes para começar. A maioria dos sistemas que lidam com isso, fazem uso de informações previamente compartilhadas (por exemplo, o Google pesquisa links dos sites, PHOAKS pesquisa mensagens em Usenet News, Facebook usa EdgeRank, e Delicious usa marcadores do navegador), informações de outros domínios (por exemplo, no Amazon livros os "likes" podem ser usados para identificar pessoas semelhantes a fim de recomendar filmes ou outros livros), ou usar suposições automatizadas com base na similaridade dos conteúdos ou aproximações a partir dos dados estatísticos para fornecer recomendações razoáveis mais cedo no sistema de desenvolvimento quando há dados insuficientes na multidão.

Divulgação

Para se trabalhar em tudo com qualquer coletivo, é necessário algumas divulgações das ações. No entanto, nos coletivos mais mediados, estes são essencialmente anônimos. Embora possamos temer os motivos de empresas que fornecem os coletivos, este medo está na divulgação e na organização, e não no próprio coletivo, porque o programa que está a realizar a agregação sabe quem você é, mas as outras pessoas no coletivo raramente, ou nunca, sabem. Há algumas exceções, especialmente quando os coletivos estão preocupados com o estabelecimento da reputação. Nesses casos, há uma dupla preocupação: aquela em que se deve divulgar informações sobre si mesmo para o programa no momento da adesão aos seus proprietários, a fim de participar dele; e a segunda, aquela que envolve a delegação da reputação de alguém para a multidão. Nesses casos, o medo da exposição pode ser justificado.

Distância transacional nos coletivos[editar | editar código-fonte]

O coletivo, é como uma entidade emergente composta por um aglomerado de pessoas em conjuntos, redes, e, ocasionalmente em grupos que desempenham o papel de um professor numa transação de aprendizagem, orientando, sugerindo, recolhendo, armazenando e representando o conhecimento da multidão. Um aluno que interaja com um coletivo está envolvido com algo dinâmico e eficaz de uma maneira que é muito diferente do envolvimento com um livro estático, um website, ou um vídeo, porque não há o envolvimento social, no qual ele ou ela (os alunos) experimentam ao interagir com um ser humano individual. Pelo menos num futuro previsível, haverá pouca ou nenhuma conexão psicológica entre um humano e um coletivo, ou se existir, será de sentido único: os coletivos não se preocupam com as pessoas individuais. Do ponto de vista do indivíduo, interagir com o coletivo é um envolvimento mais psicológico do que interagir com qualquer outra inteligência artificial. Isto não é sugerir que a interação não é poderosa para o indivíduo em causa, e pode-se afirmar que a comunicação em dois sentidos têm significados importantes, tal como ocorreu com Furbies, Tamagotchis, ou mais recentemente com Aibos e Paros (Bebês focas robôs destinados a fornecer companheirismo para os idosos internados em hospitais - www.parorobots.com ; Turkle, 2011).

O diálogo em dois sentidos com um coletivo pode ocorrer de várias maneiras. Uma das motivações dos modelos percetiveis pelos utilizadores (Kay & Kummerfeld (2006) consistiu em permitir às pessoas falar com o coletivo, pois de outra forma poderiam tomar decisões sobre os benefícios dos conselhos dos outros utilizadores daquilo que não é útil. Muitas pessoas deliberadamente assistiram a conteúdos que elas não teriam escolhido nos seus dispositivos de classificações baseado nos conselhos do filtro da TiVo, por exemplo, e pediram para a máquina parar de fazer previsões erradas ou embaraçosas sobre o que eles gostariam de ver (Zaslow, 2002). Uma característica muito distinta dos coletivos é que os indivíduos que interagem com eles, também fazem parte deles, sendo tipicamente contribuintes ativos para a inteligência coletiva. Isso é diferente do nosso compromisso com as pessoas nas formas sociais: nós podemos fazer parte de uma rede, conjunto, ou grupo, mas as pessoas dentro delas ainda continuarão sendo distintas, pelo menos indentificáveis. O coletivo é um agente ativo do indivíduo ao qual fazemos parte. Todas essas complexidades criam distâncias transacionais entre o aluno e um coletivo incomum, mas surpreendentemente distinto. O coletivo cria alta estrutura, moldando o espaço da informação que o aluno habita, mas o aluno faz parte do coletivo, e em muitos casos pode controlar os resultados, seja por intervenção direta (por exemplo, em Netiflix, especificando os tipos de filmes que ele ou ela gostaria de ver), ou simplesmente pela escolha de uma opção entre as várias opções que lhe foi dada.

Exemplos de Coletivos [editar | editar código-fonte]

Os sistemas de classificação

 A maioria dos sistemas que fornecem uma forma implícita ou explicita para avaliar alguém fazem uso dos coletivos. Estes sistemas variam em sofisticações de agregadores simples para filtros colaborativos completamente fundidos onde as classificações são usadas para comparar um indivíduo com uma multidão, e sobre os metadados ricos que fornecem as classificações em todas as dimensões. Alguns exemplos incluem Slashdot Pontos Karma e categorias, Facebook Likes, Google+, e inúmeros sistemas que fornecem escalas de classificações com escalas Likert (ver imagem) como a Wikipedia, Amazon e YouTube. 

Example Likert Scale

 Filtros de colaboração 

Os Filtros colaborativos são recomendados para aqueles que fazem uso das semelhanças entre pessoas (por exemplo, pessoas que partilham um padrão semelhante de interesses para as mesmas coisas como livros, vídeos ou filmes) ou semelhanças entre as multidões que de uma forma implícita ou explícita falam daquilo que elas gostam. (Por exemplo, as pessoas que compraram este produto também compraram isso). É comum encontrar estas recomendações nos sites Amazon , Netlix e MovieLens.

Mineração de dados e ferramentas de análises

Um número de aplicações coletivas minam os conteúdos existentes, de forma a identificar padrões, preferências e estruturas que poderiam ser invisíveis. Por exemplo, CiteUlike e Google Scholar fornecem recomendações com base em citações de trabalhos académicos, sendo que a pesquisa da Google classifica os resultados de acordo com o número de ligações das páginas da web, e PHOAKS segue os links em newsgroups para identificar os artigos implicitamente recomendados.

Sistemas baseados nos enxames

Sistemas baseados nos enxames imitam os comportamentos dos grupos de formigas, pássaros, peixes e outras multidões que ocorrem naturalmente, a fim de trazer a auto-organização usual desses sistemas. Eles são mais utilizados para controlar os trabalhos de robôs muito simples, para que em conjunto possam completar uma tarefa complexa. Tattershall e seus colegas usaram esse processo para fornecer recomendações de sequenciamento para os alunos (2004; van den Berg et al., 2005). Embora possa funcionar razoavelmente bem numa área pequena, tal como num curso convencional onde existem caminhos possíveis limitados e metas definidas, este tipo de abordagem pode cair nas grandes áreas abertas de um conjunto e suas interações. Sistemas de otimização por enxame de partículas levam em conta uma abordagem um pouco diferente, e são normalmente utilizadas em sistemas orientados a metas para otimizar múltiplos comportamentos para uma única solução. Eles são por vezes usados com algoritmos genéticos (AGs) para descartar recursos inadequados para filtrar resultados (Huang, Huang & Cheng, 2008).

Sistemas de Otimização Colônias de formigas

Os sistemas que usam técnicas de otimização colônia de formigas fazem uso de feromônios virtuais para capturar caminhos e ações tomadas pela multidão, a fim de adaptar o conteúdo, a apresentação, o processo, a sequência e outros elementos da experiência dos utilizadores. Alguns exemplos são AACS (Yang e Wu, 2009) e Paraschool (Semet, Lutton, & Collet, 2003).

Sistemas de navegação Sociais

São sistemas empregues nas navegações sociais de comportamentos e ações, tais como a colocação de etiquetas ou comentários a fim de modificar uma interface para enfatizar ou (às vezes) determinar certos caminhos à custa de outras capturas por navegação Por exemplo, CoFIND usa as encomendas utilizadas, a ordem da classificação, estilo e tamanho da fonte para indicar os recursos que são vistos como uteis pela multidão (Dron et al., 2001). Educo usou representações de indivíduos como pontos agrupados em torno dos recursos que foram mais amplamente utilizados (Kurhila et al., 2002), Knowledge Sea 2 utilizou a profundidade da cor para realçar os recursos mais visitados (Farzan & Brusilovsky, 2005), e CoRead utilizou diferentes cores fortes de destaque para indicar passagens de textos que tinham sido mais ou menos destacadas (Chiarella, 2009).

Motores de descobertas das redes sociais

A grande maioria dos sites das redes sociais utilizam algum meio para descobrir outras pessoas com quem estão conectadas. Os algoritmos podem ser bastante simples, tais como as análises dos links para descobrir os amigos dos amigos. Na verdade, o protocolo FOAF (um acrónimo de Friend of a friend) foi expressamente construído para explorar isto. Os outros podem simplesmente identificar outras pessoas nos grupos do qual um indivíduo pertence, mas alguns podem ser mais complexos, tendo em consideração os campos dos perfis e os comportamentos das navegações, bem como o conteúdo das mensagens. Um exemplo representa a sofisticação do Facebook EdgeRank, que leva uma série de fatores (um segredo comercial), incluindo não apenas as conexões, mas considerando os números e as frequências das interações para apresentar o conteúdo, bem como os inúmeros fatores orientados desse conjunto (Pariser, 2011). Num contexto de aprendizagem, fornecemos um plugin da plataforma Elgg que auxilia na descoberta de dois amigos de amigos e pessoas em grupos partilhados (community.elgg.Org/plugins/869.9211.2 /- amigos sugeridos18x).

Ferramentas Crowdsourcing[1] 

Sistemas de Crowdsourcing normalmente contam com o conteúdo gerado pelo utilizador em resposta a um problema, dúvida ou uma solicitação de um projeto particular. Enquanto alguns contam com a pessoa que levanta o problema para classifica-lo através de soluções potenciais, as quais orientadas para o conjunto de aplicações são muitas vezes reforçadas com ferramentas coletivas que solicitam classificações implícitas ou explícitas da multidão, a fim de classificarem a efetividade da solução: Estes incluem o Yahoo Respostas, Quora, Amazon Mechanical Turk, e InnoCentive.

Ferramentas para avaliar a Reputação

Uma série de sistemas que minam os dados, tais como as citações e as referências, de modo a descobrir pessoas com conhecimento em vez de conteúdo; por exemplo, cite-U-Like e Connotea. Há abundante literatura sobre aperfeiçoamentos para estas abordagens (Ru, Guo, e Xu, 2008; Smirnova & Balog, 2011). Sistemas de redes sociais como LinkedIn fazem uso de autenticações em rede para fornecer uma indicação coletiva da reputação dentro de uma área, enquanto os outros, como por exemplo : academia.edu, fazem uso das citações e artigos para ajudarem a enfatizar reputação dentro de uma área.

Em sistemas orientados por redes, as conexões explicitamente feitas entre um indivíduo e outro por "amizades", fornecem links como os comentários numa lista de Blogs ou uma classificação dentro dos posts e assim por diante e isto ajuda a fornecer as recomendações necessárias para que possamos confiar um nos outros. Um exemplo: se alguém que eu admiro, admirar outra pessoa qualquer, isto atua como um indicador efetivo da reputação. É uma técnica antiga que pode ser quantificada e se transformou num coletivo com relativa facilidade: os índices de citações ponderam usar o mesmo tipo de abordagem para indicar a significância de um trabalho académico, indo além daqueles que nós conhecemos numa grande rede; a reputação (além de por algumas pessoas mais conhecidas dentro da rede) pode ser mais difícil de identificar em coletivos e tornou-se rapidamente a ferramenta mais importante para o valor da identificação. Sistemas como o Slashdot, Spongeish, ou Graspr podem ser recursos de aprendizagem auto organizacional notavelmente efetivos por causa dos métodos que eles usam para identificar recursos e contributos confiáveis/úteis. Slashdot e Graspr (já extintos), ambos fazem uso de um sistema baseado em karma, segundo o qual "bom karma" é adquirido através de uma variedade de mecanismos conduzidos das multidões.

Spongefish (um local online com vários tutoriais que nasceu em 2008) adotou uma abordagem mais simples, porém, mais compreensível onde moedas denotavam o capital social para um professor. Em cada sistema, há uma economia: aqueles que já têm pontos / moedas são capazes de distribuí-las aos outros, garantindo assim que a reputação é decidida por aqueles que já têm uma reputação, uma abordagem que garante pelo menos, alguma garantia de qualidade. No entanto, o fracasso de muitos sistemas apontam para a dificuldade de se obter os algoritmos corretos em criar interfaces que não sobrecarreguem os seus utilizadores com complexidades. Slashdot (com seu slogan, "Notícias para nerds"), um dos mais antigos, e ainda o melhor dos coletivos, sobrevive em grande parte devido à sua base de utilizadores-alvo que não apenas toleram, mas também se revelam em suas complexidades. Dentro de um ambiente educacional, tais sistemas podem oferecer várias affordances[2].

Por exemplo:

• Os alunos podem ser encorajados a ganhar reputação e eles alegam que, como parte de uma avaliação formal usada com cuidado, e tendo em conta os riscos de subverter um sistema desse tipo, isso pode oferecer motivação nos lugares certos.

• Os alunos podem usar esses sistemas para identificar os recursos e as pessoas de valor, filtrando e assim deixar de fora aqueles que possam causar distrações ou enganos.

• Os alunos podem ser estimulados para classificarem / comentarem/ e repassarem pontos ou moedas para os outros, estimulando os pensamentos críticos e refletivos incentivando-os ao envolvimento mais profundo com a comunidade.

Aprendendo com os coletivos[editar | editar código-fonte]

Nos capítulos anteriores sobre grupos, redes e conjuntos, marcamos esta seção como "Aprender em x" (exemplo: Learn X in Y minutes é um site onde você pode fazer um ‘tour’ na sua próxima linguagem de programação em Y minutos). Neste capítulo, deliberadamente descreveremos isso de como aprender com os coletivos, dado que o coletivo é um participante ativo com influência no processo de aprendizagem, mais idêntico a um professor ou a um conteúdo do que apenas um conjunto de pessoas. De uma só vez, o coletivo é uma espécie de professor alienígena envolvido num diálogo com ambas as partes (humanas e mecânicas).

Há muitos papéis que os professores podem desempenhar num sistema educacional tradicional.

Aqui está uma pequena lista de alguns dos principais:

  • Aplicar modelos de pensamentos e práticas
  • Fornecer comentários
  • Projetar e montar percursos de aprendizagem
  • Aprender e Programar
  • Transmitir informações
  • Esclarecer e explicar os temas complexos
  • Avaliar o aprendizado
  • Escolher os filtros, recursos e ferramentas para o aprendizado
  • Preocupar-se com os estudantes e com a aprendizagem dos alunos
  • Fornecer um ambiente seguro para o aprendizado

A maioria destas funções, senão todas, podem ser reproduzidas por um coletivo, em certa medida. Note-se, porém, que o entusiasmo, carinho, paixão e muitos dos atributos pessoais mais valiosos de um professor não estarão presentes, embora possam ser imitados por um coletivo.

O coletivo desempenha os papéis funcionais que um professor pode realizar.

Pensamentos, modelagens e práticas

Pouco irá substituir o ato de observar de um verdadeiro professor que modela as boas práticas e demonstra como pensa sobre um determinado assunto, mas é claro que os coletivos ocorrem dentro das comunidades sociais em que essas coisas já são possíveis. No entanto, alguns tipos de coletivos podem ser utilizados para promover e agregar tais comportamentos. “Pontos de karma” e as avaliações, por exemplo, podem-se combinar para mostrar ao utilizador não apenas o conteúdo relevante, mas também o melhor de tudo e não apenas um único professor, mas sim a "excelência" dos que contribuem para uma discussão ou para um debate. O coletivo é, pelo juízo da multidão, contextualizada às necessidades do espectador, ou seja, um professor "ideal" composto.

Fornecendo os comentários 

Mesmo um sistema de classificação simples como os dos "polegares para cima" ou até os contadores de páginas mais visualizadas podem dizer a um aluno se o seu trabalho é valorizado. No entanto, este não é particularmente um retorno rico de informações, servindo mais a um propósito motivacional do que a oferecer orientação ao aluno. Além disso, em alguns casos, até pode ser desmotivador se for visto pelo aluno como uma recompensa extrínseca (Kohn, 1999). Essa orientação é mais em função dos modos de compromissos sociais, de grupos, conjuntos ou redes, do que do coletivo. Dito isto, um conjunto de sistemas foram desenvolvidos para fornecer avaliações um pouco mais ricas, incluindo o sistema de classificação da Slashdot, às formas mais livres de expressão de "qualidades" utilizadas na CoFIND (Dron, Mitchell, Siviter, & Boyne, 2000). Estes sistemas permitem classificações em várias dimensões que, pelo menos no caso de CoFIND, pode ser útil para a pedagogia. As pessoas podem, por exemplo, optar por votar algo como "complexo", "completo", ou "bem escrito", dando assim um retorno valioso que, de certa forma melhora a performance de um professor individual, quando considerado um número aceitável de avaliações suficientes. Tais sistemas também apresentam variabilidade avaliadora, o que em si pode ser mais instrutiva do que a preferência declarada de um único professor (mesmo sendo ele um sábio).

Concepção e montagem dos Caminhos da aprendizagem

Um número de sistemas baseados em navegação sociais fornecem listas ponderadas das recomendações sobre o que fazer e seguir (Brusilovsky, 2004; Dron, Mitchell, Siviter, & Boyne, 2000; Kurhila et al, 2002;. & Wexelblat Maes, 1999). Outros usaram técnicas como a otimização das fugas das formigas, enxames e outras técnicas inspirados na natureza para fornecer recomendações (Wong & Looi, 2010; Semet et al., 2003). Muitos sistemas de recomendações que utilizam várias formas de filtros colaborativos presentes são semelhantes às alternativas das buscas nas proximidades, com base nos comportamentos anteriores do aprendizado dos outros (Drachsler, Hummel, e Koper, 2007; Freyne & Smyth, 2006;. Hummel et al, 2007). Contudo, está provado que é mais difícil de fazer do que as apenas sugerir os próximos passos no caminho da aprendizagem. Gerando um plano de atividades como um guião para o estudante exige maiores posturas e desafios, embora muitos tenham tentado (Pushpa, 2012; van den Berg et al, 2005;. & Yang Wu, 2009). Há várias razões pelas quais eles ainda não foram totalmente bem-sucedidos: a aprendizagem é um processo de mudança em que é difícil prever de antemão como um aluno irá desenvolve-la como um resultado de cada etapa.

Quando os professores idealizam os cursos, eles fazem-no com base na sua experiência de concepção acerca de um tema, bem como dum componente pedagógico e do conhecimento dos alunos, resultando num conjunto que é intrinsecamente ligado e coeso, envolvendo o conhecimento de conteúdos profundos, e mais importante, uma compreensão de como contar uma história sobre isso. Muitos sistemas adaptativos têm tentado fazer o mesmo e poderá funcionar muito bem para os indivíduos ou para os alunos com base em grupos, mas poucos (se houver) têm sido bem sucedidos ao lidar com uma área aberta de conhecimentos, o que é comum em redes baseadas nas situações de aprendizagem.

Alguns usaram ontologias para conexões e sequências de recursos que são gerados coletivamente (Karampiperis & Sampson, 2004). Embora aliados e computacionalmente elegantes, eles têm sido um fracasso profundo de uma perspectiva de aprendizagem. A razão principal deve-se ao facto de os caminhos pedagogicamente adequados não serem os mesmos que as opiniões de especialistas sobre a relação entre um assunto e outro. Mesmo assumindo um conjunto suficiente de matérias pode ser efetivamente marcado e destacado em relação aos outros, as relações sujeitas da disciplina raramente se traduzem em bons caminhos de aprendizagem. Uma abordagem promissora é combinar métodos de recomendação com programas gerados por especialistas (Herder & Karger, 2008) e eles são relativamente fáceis de gerar, num conjunto limitado de recursos bem anotados dentro de uma instituição orientada para o grupo (Kilfoil, Xing, & Ghorbani, 2005;. van den Berg et al, 2005).

Aprendizagem agendada

Intimamente relacionado com a concepção de currículos, os caminhos da aprendizagem são o meio para sincronizar atividades e ritmos. Este tem sido um papel importante para um professor que usa uma aprendizagem baseada em grupos, sendo esta uma característica comum neste tipo de abordagens, mas usualmente difícil de se alcançar em aprendizagens via rede e conjuntos.

No entanto, os coletivos podem assumir algumas dessas funções. As ferramentas mais simples para essa tarefa permitem que um indivíduo possa especificar uma lista de possíveis datas e outros compromissos para indicar a sua disponibilidade. A ferramenta agrega possíveis datas e, automaticamente ou semi- automaticamente, sugere o momento mais adequado quando tantos alunos possíveis estarão disponíveis. As ferramentas gratuitas e abundantes dessa natureza, como MeetingWizard, Doodle, Congregar, Setster e Tungle estão disponíveis na Web e, em alguns casos, para telemóveis.

Transmitindo informações

No seu todo, os coletivos não são utilizados para transmitir informações a partir do zero, mas para coletar, filtrar, refinar, ordenar e exibir informações que já existem. Eles fornecem maneiras de organizar a informação em vez de a gerar em primeira mão. No entanto, este processo organizacional pode ser bastante poderoso. Slashdot por exemplo, é capaz de adaptar o conteúdo a necessidades específicas, permitindo que pessoas relevantes e confiáveis possam fornecer uma visão diferenciada sobre o tema em debate, uma vez que ultrapassa largamente o que qualquer professor indivíduo possa ser capaz de dizer sobre o assunto, simplesmente devido à diversidade e amplitude de cobertura. Outros sistemas pode ajudar a visualizar uma área de assuntos complexos ou conexões sociais que poderiam permanecer ocultas (Buckingham-Shum, Motta, e Domingos, 1999;. Donath et al, 1999; Vassileva, 2008).

Talvez uma das mais importantes fontes de conteúdo da aprendizagem hoje em dia é uma notável exceção à regra: a Wikipedia. A Wikipedia indiscutivelmente utiliza processos coletivos estigmérgicos e similares, em grande parte promulgadas nas mentes dos seus colaboradores, sustentando e afetando as maneiras que as suas páginas crescem (Elliot, 2006 ; Heylighen, 2007; Yu, 2009). Basicamente, as pessoas são afetadas pelos sinais deixados por outras pessoas no ambiente, mas, na maioria das vezes, este é simplesmente um diálogo mediado anonimamente, ou seja, uma interação baseada em conjunto, onde cada edição se baseia no passado, mas sem o carácter distintivo de uma auto-organização de um sistema estigmérgico verdadeiro. No entanto, existem alguns elementos verdadeiramente estigmérgicos. As alterações feitas por terceiros não afetarão apenas os conteúdos, mas também estilos de formas que são análogas ao estigmérgicos, por exemplo, os processos das construções dos formigueiros ou os ninhos de cupins. Da mesma forma, o uso de tags nos metadados da wiki relacionam o conteúdo das páginas, levando a padrões previsíveis de edições: as tags funcionam como atrações que guiam os outros nas suas edições (den Besten, Gaio, Rossi & Dalle, 2010).

Esclarecendo e explicando os temas mais complexos

Os Coletivos podem ser usados para extrair significados e sentidos a partir de um complexo conjunto de materiais. Por exemplo, CoRead é uma ferramenta que permite dar um realce de cores aos textos de um coletivo, de modo semelhante ao utilizado em dispositivos como o Amazon Kindle (Chiarella, 2009). Os alunos podem ver os textos destacados dos outros alunos e um esquema de cores simples é utilizado para indicar quais as palavras e frases que foram mais destacadas. Isto permite que aqueles que vêm determinados textos possam identificar as palavras e frases que os outros acharam mais importantes ou interessantes. Da mesma forma, temos as nuvens de “tags” (classificações) dentro de um site ou tópicos de uma determinada área, que podem ajudar os alunos a ter uma noção da superfície total e das palavras-chave associadas. Isto também pode ser particularmente útil quando uma nuvem de classificações é combinada com um filtro colaborativo mostrando as tags recomendadas que aparecem quando selecionamos uma tag so nosso interesse, tal como pode ser encontrado no site Delicious. Ao ver as palavras-chaves associadas, o aluno é capaz de fazer conexões e ver generalizações que situam um tema dentro de uma rede de ideias e conceitos.

Aprendizagem e Avaliação

Vários sistemas sociais fornecem ferramentas de classificações. Em muitos casos estas são apenas variações sobre o bem contra o mal: as simples ligações como "thumbs-up" do “Gosto" no Facebook " ou o botão +1 do Google, por exemplo. Infelizmente, raramente é valioso para um aluno que procura avaliações sobre o sucesso da sua aprendizagem, a menos que o contexto seja altamente restrito, porque não há informações suficientes para identificar as razões para o "Like". Isto pode, no entanto, funcionar razoavelmente bem dentro de um grupo, especialmente num grupo tão grande como aquele encontrado num MOOC[3], se o significado de "bom" e "mau" foi claramente identificado dentro desse contexto. Em conjuntos ou redes há poucas oportunidades para promover tais constrangimentos.

Indo além das classificações simples, alguns sistemas de classificações são contextualizados dentro de conjuntos específicos de determinadas qualidades ou áreas de interesse. Isso pode fornecer comentários muito mais úteis na aprendizagem, embora, geralmente sejam à custa de uma maior complexidade para as pessoas que contribuem com a as classificações. CoFIND (Dron, Mitchell, Boyne, et al., 2000), por exemplo, permite aos alunos não apenas avaliarem um recurso como Bom ou Mau, mas também permite utilizarem etiquetas difusas conhecidas como "qualidades." Qualidades são marcas, associadas a uma escala de valores, que permitem aos seus utilizadores categorizar um recurso, aferindo se ele é mais ou menos adequado para parceiros iniciados, complexos, detalhados, precisos, confiáveis, competentes, bem explicados ou bem estruturados. Este tipo de classificação é rico e pode ser muito útil. No entanto, é mais difícil de se usar avaliações de qualidades para marcar as opções de uso para as etiquetas (ou rótulos) discretas mais convencionais, porque os seus utilizadores não devem apenas fornecer uma categoria, mas também uma classificação para ela. Outros sistemas, como o Slashdot fornecem uma lista mais restrita: o seu filtro de comentário básico permite que os utilizadores identifiquem se os comentários são perspicazes, informativos, interessantes, ou engraçados, o que auxilia na filtragem do conteúdo e também contribui para os indicadores de avaliação de forma a saber como os outros se sentem sobre um determinado post.

Embora não destinados à avaliação, as recomendações no LinkedIn proporcionam um modo intrigante e efetivo para usar coletivos gerados a partir de redes que julgam as habilidades de um indivíduo. Habilidades que foram marcadas num perfil de um utilizador podem ser atribuídas por aqueles que estão na rede desse utilizador, proporcionando assim uma visão coletiva de realizações de uma pessoa que é ascendente e, globalmente, confiável. LinkedIn faz bom uso da reciprocidade, capital social bem como da vaidade individual: quando alguém te reconhece e te atribui uma habilidade, é difícil para os outros resistirem em ver a sua lista crescente de habilidades reconhecidas, e, em seguida, o site pede-lhe para apoiar os outros com base nas habilidades, nas avaliações e identificações dos seus perfis. 

Seleção e filtragem de recursos e ferramentas para o aprendizado

A seleção e filtragem de recursos e ferramentas para a aprendizagem é um papel importante para a maioria dos professores e é, em princípio, o que os coletivos fazem de melhor. Este é o papel que o Google tem quando nos fornece os resultados de pesquisa, utilizando muitos processos coletivos para ajudar a garantir a qualidade e importância dos resultados que ele proporciona. Da mesma forma, quando o Amazon oferece recomendações de livros que você poderia vir a querer ler, ele sugere o item- e o autor- baseando-se em técnicas de filtragens colaborativas para tornar mais provável que venhamos a encontrar algo de valor. Ambos são ferramentas poderosas de aprendizagem e este ponto não foi perdido na comunidade académica. Ao longo das últimas duas décadas, tem havido muitos sistemas explicitamente projetados para usar a multidão na recomendação de recursos em contexto de aprendizagem (M. Anderson et ai, 2003;. Bateman, Brooks, & McCalla, 2006; Chiarella, 2009; Drachsler, 2009; Dron, Mitchell, Boyne, et al, 2000;. & Brusilovsky Farzan, 2005; Freyne & Smyth, 2006 ; Goldberg, Nichols, Oki, e Terry, 1992; Grieco, Malandrino, Palmieri, & Scarano, 2007; Huberman & Kaminsky, 1996; Hummel et al, 2007;. Jian, 2008; Kurhila et al, 2002;. Tattersall et al ., 2004;. Terveen et ai, 1997; Van den Berg et al, 2005;. Vassileva, 2008). Esses sistemas incluem abordagens, tais como as navegações sociais e usam métodos baseados em enxames, filtragens colaborativas, classificações e muito mais. Quando bem feito, abordagens baseadas em multidão para a recomendação de recursos ou partes de recursos, pessoas e ferramentas têm muitos benefícios. A união faz a força e uma multidão (especialmente um conjunto diversificado) pode arrastar através de imensos recursos muito mais do que apenas um professor. Dependendo da forma como o coletivo é construído, multidões também pode ser mais sábias do que os indivíduos (Surowiecki, 2004), conseguindo identificar factos ou qualidades, onde as pessoas sozinhas podem falhar.

A descoberta dos recursos é de grande valor num ambiente formal. Por causa da natureza focada nos grupos fechados em instituições de ensino, bases de dados de recursos podem-se tornar numa utilização extremamente valiosa, permitindo que o grupo venha a participar no desenvolvimento de uma leitura /gravação e naturalmente com relativamente poucos esforços. Isto oferece uma grande variedade de aprendizagem e benefícios práticos:

  • Reduz naturalmente o custo da produção
  • Mantém o curso atualizado
  • É dado aos alunos um forte sentido de propriedade, que por sua vez aumenta a motivação.
  • Fornecem um meio simples de aprendizagem, ensinando: A selecionar recursos, combinados com algumas classificações e anotações, incentiva a reflexão em ambos os sistemas do processo de aprendizagem (ou seja, como e de que forma será útil para o aluno, no seu próprio processo de aprendizado).
  • Multiplica as possibilidades de encontrar recursos bons e úteis, levando a uma maior diversidade e alcance do que uma única equipe de professores poderia esperar para reuni-los sozinhos.

E o melhor é que estes sistemas incluem, pelo menos, alguma forma de classificação coletiva, para que os alunos possam votar nos recursos para cima ou para baixo, ou podem também fornecer recomendações implícitas, clicando em links que podem ser respondidos de volta para a multidão através dos recursos das navegações sociais. Se tal sistema não estiver disponível, a melhor coisa a fazer é tornar possível as anotações ou comentários sobre os links dos outros alunos que os recursos têm proporcionado: a presença de comentários podem agir como um indicador estigmérgico de interesse, positivo ou negativo, ambos com valor. Se o próprio sistema não permitir algo dessa natureza, então é melhor usar um sistema de forma mais livre, como um wiki, ou ir além do ambiente de gestão e fazer o uso de sistemas como o Delicious ou o Furl para criar listas fechadas de marcadores e pesquisas onde os comentários e as classificações são permitidas.

Nuvens de tags são potencialmente um meio poderoso para se fazer fáceis descobertas dos recursos para um grupo, uma vez que os recursos foram adicionados ao sistema. Dentro dos grupos muitas vezes eles são diferentes e, por vezes, podem oferecer um valor maior do que aqueles em grandes redes, porque se adaptam mais rapidamente à mudança dos focos do grupo. num ambiente dominado pelo professor, eles podem fornecer um novo conceito para a organização dos recursos digitais mais limitados e fechados apenas um, permitindo desenvolver sem esse controle, uma espécie de híbrido de controle da parte superior e ascendente das classificações. Em algumas circunstâncias isso pode ser útil: um vocabulário compartilhado, se compreendido por todos, ajuda a dar sentido a uma área temática bem como tornar mais fácil localizar os recursos relevantes existentes. Ao qualificar o mundo, o professor está habilitando os alunos a compreendê-lo melhor.

Os cuidados com os estudantes e com a sua aprendizagem

Há algumas coisas vitais que os professores fazem e que estão muito além do alcance dos coletivos. Como a nossa análise da distância transacional em coletivos sugere, a diferença psicológica entre o coletivo e o aluno é quase tão grande quanto ele pode atingir. Sabemos que outras pessoas ajudam o coletivo e fornecem informações, estruturas, processos ou modelos, mas isso não nos ajuda a sentir-nos mais perto deles e praticamente não há maneira onde eles possam interagir conosco ou saberem o que fazemos. Os Coletivos são apenas parte de uma solução para proporcionar uma experiência rica e gratificante de aprendizagem e algumas coisas estão, pelo menos melhores até agora, deixadas pelos seres humanos. Quer isto dizer que os coletivos podem proporcionar um indicador para nos informar que outras pessoas não especificadas se preocupam conosco: o "+1 do Google" ou o "Gosto" do Facebook das redes sociais mais populares, podem melhorar a sensação de bem-estar social e valem a pena, embora raramente com intenção pedagógica explícita . Podem também fornecer suporte para o estabelecimento de ligações com os outros seres humanos. Há ainda aspectos preocupantes em manter a regra que um coletivo deve ter. Por exemplo, eles podem ser usados para ajudar a alimentar e orientar os alunos para que eles se tornem mais envolvidos e motivados (Glahn, Specht, e Koper, 2007).  

A área de estudo sobre a análise da aprendizagem tem vindo a registar um rápido crescimento nos últimos anos pois tem-se inspirado numa variedade de campos: “Web Analytics”, minerações de dados educacionais, hipermédia adaptativa e de adaptação social e Inteligência Artificial.  As suas finalidades são recolher indicadores e descobrir obstáculos à aprendizagem, assim como quais as informações pertinentes que realmente ajudam nas viagens guiadas dos alunos. Para os professores as suas finalidades consistem em melhorar os métodos de ensino e descobrir os pontos fracos e os riscos antes de se tornarem perigosos. Alguns prolongaram esta finalidade de modo a incluir as analises dos administradores, das instituições e dos empregadores docentes, mas, apesar de tais usos, isto tem um impacto sobre a aprendizagem, porque nós somos da opinião de que isto não é mais sobre a aprendizagem ou seja, quando o processo é aplicado desta forma torna-se numa questão de analises de ensino ou de minerações de dados institucionais.

A verificação da aprendizagem está aliada à natureza que um professor cuidadoso tem, a qual permite com que os alunos se tornem parte de um coletivo, da mesma maneira que ele pede para levantar as mãos no ar de modo a verificar se os alunos entenderam um problema numa sala de aula, ele usa a multidão para avaliar os comportamentos.

Ao processarmos os resultados, informamos ao professor do progresso dos alunos levando a mudanças no seu comportamento, e, portanto, pode ajudar o professor a fornecer mais assistência quando necessário. Por exemplo, se as estatísticas mostram que, no total, muitos alunos estão a ter dificuldades com as determinadas disciplinas ou com determinados conceitos, o professor pode dar mais apoio, reforçando essas temáticas. As estatísticas também podem ajudar a identificar determinados alunos ou grupos de alunos que possam estar em risco. Elas podem ajudar a descobrir padrões de comportamento dos alunos avançados ou identificar pontos comuns que levam às dificuldades. Por exemplo, se se verificar que a maioria das pessoas submeteram o trabalho depois de uma determinada data, logo de seguida, o professor poderá intervir para aconselhá-las sobre esse perigo. Com efeito, o professor torna-se parte de um sistema de recomendação baseado na multidão.

Os perigos do coletivo[editar | editar código-fonte]

Enquanto os coletivos podem desempenhar vários papéis de um professor num sistema, eles nem sempre são bons professores. Como já foi dito antes, há muitas maneiras de uma multidão sábia, se tornar numa multidão estúpida.

O efeito Matheus [4]

O efeito Matthew criado por Merton (1968) a partir do aforismo bíblico atribuído a Jesus "A quem tem, será dado mais e terá em abundância. Quem não tem, até o que tem, lhe será tirado "(Mateus 13:12). Nos contextos específicos da aprendizagem até aqui examinados, esta palavra pode ser interpretada como o resultado de dependência de trajetos e preferências que definam o início do desenvolvimento de um sistema coletivo. Se o sistema afeta o comportamento (por exemplo, incentiva a clicar num recurso ou um rótulo, ou sugerem as pessoas com quem se deve conectar), então aqueles que ganharem uma vantagem precoce são muito mais propensos a retê-lo e ser mais influenciáveis do que aqueles que virão depois. Os ricos ficam mais ricos, enquanto os pobres ficam mais pobres. Um exemplo clássico disso é apresentado por Knight e schif (2007), que descobriram que os primeiros eleitores nas eleições primárias dos Estados Unidos têm cerca de vinte vezes mais influência do que os eleitores nos resultados finais. Isso ocorre porque a comunicação social relata os balanços relativos dos eleitores, que por sua vez influenciam aqueles que estão indecisos quanto à forma de votar. Até porque os eleitores querem fazer a diferença, geralmente por estar num lado vencedor ou, ocasionalmente, defendem um candidato que está em perigo de perder. Da mesma forma, Salganik et al. (2006) o estudo da preferência musical com gráficos populares artificiais, mencionados no Capítulo 6 mostra claramente o forte efeito Mateus. Muitos sistemas coletivos sofrem com este problema. Resultados de busca do Google é um sofredor particularmente proeminente do efeito Mateus. Porque as buscas do Google para os links são tratados como recomendações implícitas (L. página, Brin, Motwani,& Winograd, 1999) e porque as pessoas são muito mais propensas a clicar nas primeiras hiperligações que surgem nos resultados das pesquisas (Pan et al., 2007), isto significa que eles recebem maior exposição das páginas que já são populares. É claro que só é possível apontar hiperligações para os que sabem sobre (Gregorio, 2003) as formas que tais relações serão mais propensas a aparecer no futuro. Tal como as pesquisas no Google, uma grande parte do tráfego de busca é em geral muito grande. Muitos sistemas fornecem pontos de verificação e controlo para balancear e evitar um efeito Mateus descontrolado, sobrecarregando igualmente os recursos novos ou valiosos. Alguns usam mecanismos de decadência deliberada (Dron, Mitchell, Boyne, et al, 2000;. & Wong Looi, 2010), outros introduzem a experiência da descoberta aleatória deliberada, enquanto outros, incluindo o Google e o Facebook, usam uma grande variedade de algoritmos coletivos de forma a manipular os resultados de modo que não hajam vencedores individuais persistentes. Infelizmente, muitos coletivos ocorrem sem um planeamento bem pensado. Por exemplo, a presença de muitas ou poucas mensagens num fórum de discussão pode funcionar como um incentivo ou desincentivo para os outros a contribuírem para uma discussão, ou um sistema de classificação que pode ser usado, como no estudo de Salganik et al. (2006) que não evita numa população uma desgovernada propagação de ligações virais . Um outro exemplo do efeito Mateus em ação é onde a exposição repetida a partir de múltiplos canais se espalham através de uma rede com o aumento das repetições de pesquisas (Blackmore, 1999).

Filtro de bolha e repetição em eco

Como Pariser (2011) observou, os coletivos desempenharam um papel muito grande na criação do filtro de bolha[5]. Um sistema de recomendação, seja ele do Google, da Amazon, ou do Slashdot, ou qualquer outro sistema que filtram os recursos e os pesos de acordo com as preferências implícitas ou explícitas, correm os riscos de nos impedir na obtenção de pontos de vista alternativos aos que já temos ou aceitamos. Isto pode funcionar de forma recursiva e iterativa, especialmente onde as preferências implícitas são minadas em nossos comportamentos, criando uma "bolha" sobre nós que permite que apenas ideias semelhantes às que já temos possam penetrar. Se o que vemos é limitado a um subconjunto de possibilidades, então há grandes riscos de que vamos cada vez mais ser canalizados por um caminho cada vez mais refinado até que nós só vejamos pessoas que concordem com as coisas que nós já sabemos. Para os alunos que, por definição, desejam ir além dos seus limites atuais, isso pode ser um problema particular. Quando há muitos canais alternativos ao conhecimento isso não é um grande problema, mas com o aumento das agregações e dos dados minerados através de coisas como as cookies de rastreamento, especialmente quando usamos vários dispositivos pessoais, como os smartphones e os tablets, o número de canais é rapidamente decrescente.

Numa única sessão de navegação, Felix (2012) relatou que o Facebook sozinho tem bem mais de 308 cookies de rastreamento sem que o utilizador lhe conceda quaisquer permissões explícitas, e eles podem ser usados por sites que subscrevam e personalizem o conteúdo e a sua apresentação. Esta lição mostra que nem sempre é sábio entrar no Facebook, mas se uma pessoa o faz bloqueando cookies de rastreamento usando complementos ao navegador como o TrackerBlock para o Firefox, ou como o AVG (atualmente livre) pode ajudar a prevenir muitas recomendações com base nas atividade anteriores. A abordagem mais simples é garantir que pelo menos não se está permanentemente conectado a um sistema social, comercial ou particular.

A penalidade a ser paga por tais métodos é, no entanto, apenas uma perca de funcionalidade: botões das redes socais como "botões do Facebook " que deixam de funcionar, por exemplo dado não estarmos permanentemente conectados. Porém, um dos piores ofensores neste seguemento como o Facebook está longe de estar sozinho na realização de rastreamento de grande alcance. Muitos serviços do Google, por exemplo, fazem uso extensivo de conhecimentos sobre quem você é para moldar o tipo dos resultados que você receberá através do seu motor de busca.

Algoritmos Sub-otimizados

Errar é humano, mas um coletivo pode realmente fazer uma confusão de coisas. Embora os resultados duma pesquisa no Google ou uma recomendação da Amazon possam ser extraordinariamente úteis e precisas, elas podem também ser igualmente consideradas formas inadequadas para as necessidades do individuo e, mesmo se valiosas, pode haver melhores alternativas. As recomendações de coletivos podem ser melhores do que aquelas que surgem das habilidades relativas às críticas de um curador humano, mas isso depende de muitas outras coisas, nomeadamente do conjunto selecionado, do algoritmo utilizado, dos meios da apresentação e dos tipos de problemas a serem abordados. Apesar dos melhores esforços de muitos pesquisadores e programadores, estamos a alguma distância do conjunto perfeito de soluções para todos os alunos nos mais diversos contextos.

Manipulação deliberada

Outro problema com os sistemas coletivos é que são difíceis de construí-los de uma maneira que impeçam os abusos feitos por aqueles que compreendem os algoritmos e técnicas das apresentação que eles usam. Por exemplo, o autor Dron tinha um aluno que acrescentou o seu próprio trabalho num sistema coletivo de partilha de links de auto-organização, e que, em seguida, fez uso dos métodos das navegações sociais ingénuas dos sistemas utilizados para enfatizar e não enfatizar as etiquetas, (que eram um pouco mais sofisticadas do que apenas um clique através dos sistemas de contagens na época), para promover o seu próprio site. Embora, no final, o sistema tenha estabilizado e as pessoas tenham percebido o local de onde estavam a ser enviadas, quiseram encontra-las; por um tempo o local delas tornou-se bastante popular. Mas uma problemática aliada à experiência deixaram os outros estudantes sentirem menos confiança no sistema. Seria bom pensar que este problema tinha ido desaparecido com a crescente sofisticação dos sistemas sociais, mas, até ao momento destes registos e pelo menos até o ano passado, as últimas etiquetas do Flickr estavam dominadas por propagandas e outros conteúdos mais duvidosos que deixam de representar a sabedoria da multidão e são resultados de abusos intencionais. Este coletivo particular dentro do Flickr é para todos os propósitos inútil, mas, de forma sensata, o Flickr emprega uma ampla gama de outros coletivos em escalas temporais diferentes e captura as ações para que elas ainda possam ser empregues de forma a encontrarem coisas de boa qualidade e de interesse para muitos.

Perda de controle do professor e os alunos 

Tal como as redes e conjuntos, os coletivos colocam questões de controle que tiram um pouco do poder tradicional do professor num ambiente educacional. O autor Dron vem escrevendo e usando aplicações coletivas desde 1998 e tem tido resultados mais ou menos aprazíveis. Por exemplo, quando ele colocou as suas próprias palestras das aulas num sistema de ligação partilhado coletivamente, (onde usou uma classificação avançada de anotações junto com algoritmos de auto-organização para aumentar ou diminuir recursos no ranking de acordo com a utilidade percebida), ele descobriu que as palestras que ele fez nem sempre ficavam no topo da lista, e que muitas vezes desapareciam da segunda página dos resultados de pesquisas no Google. Porém, já que era possível que as suas palestras fossem tão terríveis, as avaliações anteriores tinham sido boas e já tinham sido utilizadas internacionalmente por muitos outros professores. Em vez de se preocupar, isto pareceu-lhe ser um sinal positivo de que o coletivo fez melhores escolhas e fez recomendações mais úteis, do que uma suposição confirmada através de entrevistas e observações (Dron, 2002), mesmo que isto potencialmente cause danos ao ego de um professor.

Ausência de intenções pedagógicas

A maioria dos utilizadores dos sistemas cibernéticos têm desperdiçado tempo seguindo as hiperligações dadas pelos sistemas. Aprender é um trabalho duro e muitas vezes requer um esforço focado. Os coletivos não são de grande ajuda para reforçar esses enfoques. A sabedoria da multidão exige a multidão para partilhar um propósito de aprendizagem. Por exemplo, ao utilizar um sistema com uma combinação de elementos wiki e MOOC semelhantes aos que são auto-organizados de acordo com uma combinação de princípios estigmérgicos e um design inspirado pelos princípios de Jane Jacobs em projetos da cidade (Dron, 2005b), estudantes de pós-graduação que estudaram o efeito de três pesquisas usadas nas comunicações que tinham sido recentemente criadas por um coletivo (uma delas falavam sobre o chocolate, o que lhes interessaram mais do que os outros assuntos que estavam em pauta). Além do interesse dos alunos em chocolate, havia duas causas principais entre estas: por um lado, este foi um trabalho de grupo num contexto mal definido e a falta de direção tornou claro o que era esperado. Por outro lado, o processo era de auto reforço e correu para fora de controle, um problema comum em sistemas estigmérgicos, em que os ricos ficam mais ricos e os pobres mais pobres (o efeito Mateus). A combinação das pesquisas foram boas para aprender sobre o chocolate, mas menos efetivas como um meio para se pensar sobre como somos afetados pela tecnologias. Estas comunicações foram um sistema experimental e o episódio ajudou a estabelecer princípios que reinam para limitar tal divergência a qual discutimos neste capítulo.

Mudando os contextos

Um coletivo que evoluiu para um propósito pode ser contra produtivo quando usado para um outro. Por exemplo, filtros colaborativos que identifiquem as preferências com base nas experiências anteriores podem ser de pouco ou nenhum valor para os alunos porque, tendo eles aprendido o que precisavam, não necessitam de coisas semelhantes (Drachsler et al, 2007;. Dron, Mitchell, Boyne, et al., 2000). Num contexto diferente, precisamos de um coletivo diferente.

Princípios do projeto para aplicações Coletivas[editar | editar código-fonte]

Coletivos são por base a existência de coleções de pessoas, seja em grupos ou redes, A aplicação coletiva, talvez em maior extensão do que em rede, conjuntos, ou em grupos de aplicações, é muito mais influenciada pelo designer e por isso, não é por acaso que a seção deste capítulo é maior do que aqueles nas concepções das formas sociais. Como um cyborg, um coletivo consiste não só das ações e decisões dos indivíduos, mas também dos algoritmos e interfaces projetados pelo seu criador. As pessoas são como um motor que conduz um veículo, e na ocasião executam a maior parte do trabalho em dar-lhe forma e funções (por exemplo, ao decidir se o nível de infiltração dum fórum de discussão é muito grande ou muito pequeno possa ser relevante), mas o próprio veículo normalmente desempenha um papel mais significante na sua aplicação do que naqueles desenhados para as redes e para os grupos.

É importante identificar os elementos que se relacionam com cada uma das fases de uma aplicação coletiva: seleção, captura, agregação, processamento e apresentação. Isto deve incluir as coisas que os nossos programas vão fazer, o que esperamos que as pessoas contribuam e quais as ações que podem monitora-las. Sem um modelo heurístico, sem orientação, estamos propensos a surpreender-nos com os resultados.

Na subseção seguinte nós fornecemos uma gama de questões e heurísticas para serem consideradas ao projetar aplicações coletivas para a aprendizagem. Não é difícil de se criar um pedido coletivo, mas é mais complexo para criar um que ajude as pessoas a aprenderem. Isto é muito mais uma visão geral de grandes padrões de projeto, em vez de um guia para a construção de aplicações coletivas para o aprendizado. O conhecimento dos mecanismos de inteligência coletiva, como a correlação de Pearson, Distância Euclidiana, redes neurais, e probabilidade Bayesian são muito úteis, mesmo indispensáveis se quiserem seriamente participar na criação de tais sistemas, mas nós não estamos cobrindo estas questões técnicas aqui. Em vez disso, nós nos referimos aos programadores que estão interessados na mecânica das aplicações inteligentes de sistemas coletivos “Segaran” (2007), que é um tipo manual excelente sobre o tema e relaciona-se quase exclusivamente ao tipo de coletivo que falamos aqui. O wiki socialmente construído, "O Manual de Inteligência Coletiva" (scripts.mit.edu/~cci/HCI/index.php?title=Main_page) é um tratamento mais formal e menos orientado para a prática do tema, que também abrange aspectos relacionados de como se pensar sobre a inteligência coletiva.

Divisões em parcelas

Como Darwin (1872, capítulo XII-XIII) foi o primeiro a observar, a divisão em parcelas é uma característica importante num sistema em evolução. Isto é especialmente importante quando se considera grandes conjuntos, redes, ou grupos de uma forma Tribal. Sem alguns meios de separação para fora das populações menores, depender do caminho significa que o Efeito Mateus mantém o sucesso no topo da árvore evolutiva e faz um sistema altamente resistente a pequenas perturbações, como novo ou ideias diferentes. Para permitir a diversidade, a paisagem evolutiva deve ser dividida de alguma forma. É por isso que muitos das maiores descobertas de Darwin veio de sua visita às Ilhas Galápagos, onde diferentes espécies evoluíram de forma isolada.

Num contexto de aprendizagem, um site enorme como o YouTube seria de pouco valor se não fosse possível separar as subseções: os vídeos de gatos, por exemplo, provavelmente sobrecarregariam aqueles de valor educativo mais amplo. Da mesma forma, é possível separa-los de acordo com a escala de tempo bem como aqueles que foram mais assistidos. As recentes opções e tópicos estão separados e agrupados num só lugar, não estando espalhados, mesmo os vídeos mais antigos. Para ilustrar esta questão, os sistemas de marcação em grandes redes têm uma tendência a exibir de forma uniforme os conjuntos brandos de classificações. Por exemplo, ao longo dos últimos seis anos, mais de 80% das tags mais populares do Flickr permaneceram as mesmas, apesar de haver uma coleção massiva crescendo e, presumivelmente mudando as pessoas que usam o sistema. O reforço causado pelas tags existentes combinadas com um conjunto estável de interesses em fotografia - a lista inclui etiquetas muitos mais óbvias, como "Retrato", "paisagem" e "preto e branco". Isto mostra que a lista permanece estável ao longo do tempo. Dos menos de 20% das classificações que mudaram nesse período, a maioria estava relacionada com mudanças em grande escala nos interesses causados por fatores externos, como a estação do ano e a popularidade dos filmes. Em 2005, por exemplo, a Nova Zelândia era um destino turístico muito mais popular como resultado do filme Senhor dos Anéis do que é hoje. Grupos menores, pelo contrário, irão criar nuvens de classificações e de opões populares que mudam à medida das necessidades do grupo evoluir, refletindo mudanças como ele ocorre. Pequenas populações são mais dinâmicas, e seguem o mesmo padrão de divisões nas parcelas que vemos em populações em rápida evolução em ambientes naturais.

Esta situação aponta, mais uma vez, para a importância das divisões em parcelas: quanto menor for o subconjunto, mais provável será que o conteúdo relevante seja descoberto, porque o coletivo estará a operar dentro de um contexto mais preciso. A evolução acontece mais rápido em pequenas populações isoladas (Darwin, 1872; Calvin, 1997). Ecossistemas naturais existem numa paisagem altamente variada onde é frequentemente dividida por fronteiras na qual as espécies encontradas dificilmente atravessariam.

A Relação dos coletivos com grupos, conjuntos e redes

Os Coletivos podem-se formar em qualquer tamanho de grupo ou de rede. No entanto, enquanto um número de coletivos têm igual aplicabilidade se eles surgem em grupos, conjuntos, ou redes, alguns tipos são mais relevantes para um do que para o outro. Por exemplo, em grupos fechados, raramente existe uma questão significante para identificar a confiabilidade, porque a confiabilidade e os papéis dos membros faz parte da definição de um grupo onde haverá líderes em que as pessoas vão saber ou poderão vir a conhecer através dos outros membros em que as normas comuns e comportamentos de apoio irão surgir.

Nos conjuntos, isto está longe de ser o caso, e há muitas aplicações coletivas em causa com a descoberta para estabelecer a reputação do eBay para Slashdot.

Por outro lado, o facto de sabermos mais sobre os objetivos e as necessidades das pessoas dentro de um grupo faz com que alguns tipos de aplicação dos coletivos sejam mais efetivos em grupos do que em conjuntos. Por exemplo, os sistemas de classificação simples especialmente em redes de grande escala, raramente são efetivos em conjuntos, pois as necessidades das pessoas conjunto todo variam amplamente. Contudo, num grupo fechado, as classificações simples podem proporcionar uma reflexão util das opiniões e crenças de um grupo que será valioso dentro desse contexto fechado. Nas redes, o maior valor dos coletivos está nas conexões das minerações entre as pessoas para identificar relevância. Muitas vezes, essas recomendações são híbridas que também consideram os atributos do conjunto. O EdgeRank do Facebook, por exemplo, leva em conta os interesses professados e as palavras-chaves extraídas do conteúdo divulgado ou lido.

A evolução

Como o conteúdo das redes sociais vem, em grande parte, dos utilizadores, eles estão mudando espaços e, em muitos tipos de conjuntos e de redes pode haver uma grande quantidade de conteúdo de qualidade extremamente variável. Especialmente quando começamos a empregar processos coletivos para organizar esta informação, um site social pode ser visto como uma organização de baixo para cima, uma ecologia de vários lançamentos, debates, vídeos e a forma de transmissões de arquivos são muito mais, todos competindo uns com os outros. Como na evolução natural, há replicação com variação. Boas ideias se espalham e são refinadas, mudando-lhe a percepção, necessidades e interesses de seus telespectadores e participantes.

Ao projetar um sistema coletivo é importante introduzir conscientemente a pressão para uma seleção e prevenir um auto controle do Efeito Mateus, permitindo que a multidão possa esculpir o coletivo da forma mais eficiente possível. Isto pode ser conseguido de várias maneiras, quer seja através da seleção ativa dos recursos mal avaliados, pelo uso de listas ponderadas através de nuvens de classificações ou de resultados ordenados, capturando caminhos de sucesso, promovendo uma exibição seletiva ou ponderada, entre outras coisas.

Diversidade

Para que a evolução ocorra deve haver diversidade suficiente para que novas soluções tenham a hipótese de competir. O efeito Mateus pode instalar diversidade, mas, especialmente em grupos, há também o risco dos pensamentos em grupo. Divisão em parcelas é uma maneira de ajudar a diversidade, mas é igualmente importante para criar canais entre as populações, para permitir que as ideias e os problemas se infiltrem muito além de ilhas isoladas. Um pouco de aleatoriedade pode percorrer ao longo do caminho: vale a pena apresentar resultados aleatórios aqui e ali que permitam que que os novos recursos raramente usados possam ser mostrados.

Constrangimento

Tal como os sistemas naturais, a evolução num site social existe dentro de um determinado panorama. Alguns pormenores deste panorama são cenários familiares-espaciais, hierarquias estruturais, cores e páginas. Outros têm mais a ver com processo- os algoritmos, regras formais ou informais e restrições temporais impostas pelo software. Panorama esse em que a forma dos coletivos pode ter um enorme impacto sobre sua eficácia. Sempre que tomamos uma decisão em desenhar, em relação à estrutura ou ao comportamento do nosso software, estamos a moldar um panorama onde o ecossistema se irá desenvolver: se criarmos oceanos, teremos peixes. Se construirmos montanhas, teremos cabras da montanha.

As restrições podem ser muito úteis, permitindo que o designer possa considerar não apenas uma multidão ampla, nada específica, mas também para que aquele que está a usar o sistema com a intenção de aprender. Por exemplo, pode haver uma restrição válida e útil para filtrar deliberadamente certas formas de conteúdo a partir dos resultados com base no público-alvo, ou para criar categorias altas e baixas que se relacionem com os interesses previstos. Formadores de opiniões ativos também podem ser usados para especificar os tipos de atividades dos utilizadores e com isto é esperado uma participação maior, que possa tornar a aprendizagem mais significativa. Por exemplo, utilizando uma expressão como "apresente as classificações que descrevam o valor deste recurso para si do ponto de vista de um aluno” também pode ajudar a manter o foco pedagógico em vez de opções menos valiosas. Até agora são poucas as tentativas de incorporarem os coletivos na aprendizagem,sendo mais uma forma de passar a pedagogia. Os coletivos têm sido mais utilizados como ferramentas dentro de um contexto mais amplo pedagogicamente orientada e aplicada dentro de um conceito de grupo tradicional e restrito, ou tomadas como modelos simplistas na aprendizagem humana.

Há uma necessidade desesperada de programadores para projetarem sistemas que usem os coletivos com finalidade pedagógica numa arquitetura construída para a aprendizagem, e para fazê-los no mundo aberto de conjuntos e redes em vez de apenas para os grupos académicos fechados, onde a maioria dos sistemas adaptativos foram criados para que possam atingir o seu potencial pleno. O Google é uma tecnologia maravilhosa de aprendizagem, mas não foi concebido explicitamente para a aprendizagem e muitas vezes recomenda recursos que não são os ideais para as necessidades de um aluno.

Contexto

Particularmente em ambientes educacionais, o contexto mais amplo em que usamos o nosso software social, pode desempenhar um papel crucial na determinação da forma que for preciso. Para um coletivo ter valor, ele deve ser derivado e utilizado num contexto que se relacione com as necessidades atuais da aprendizagem. Como demonstramos com o grupo de estudos entre as comunicação dos estudantes que ensinavam uns aos outros sobre o chocolate, é muito fácil um coletivo aceitar um conjunto diferente das necessidades e interesses, do que aqueles que são de maior valor. Em alguns casos, o contexto pode ser flexível.

Os filtros de colaboração, por exemplo, normalmente baseiam as suas recomendações sobre os interesses passados, que podem ser pobres produtores de valor quando o contexto muda; mas com pequenas adaptações que permitem que um aluno possa especificar deliberadamente interesses no momento das suas pesquisas, estes filtros ainda podem ser úteis, enquanto outros na multidão também especificam contextos similares. A menos que um sistema seja extremamente bem focado, etiquetas e/ou categorias pré especificadas ou tópicos podem ajudar a fazer um contexto claro. As etiquetas são mais úteis quando existem meios alternativos para garantir que ambiguidades sejam mínimas, por exemplo, limitando os resultados com os de uma sub comunidade especificada através de categorizações ou sites de propósitos específicos, ou através da utilização de mecanismos de filtragem de colaboração para identificar as pessoas com necessidades e semelhantes interesses.

Outra maneira de fazer contextos mais relevantes é considerar os últimos items de preferência a itens gerais de classificações, aumentando assim a possibilidade de que os resultados sejam relevantes para o contexto atual. Isso ajuda a lidar com o problema de que, uma vez que tenhamos aprendido alguma coisa, nós raramente precisaremos ver outros recursos para nos ajudar a aprender um pouco mais. Em alguns sistemas, tais como CoFIND (Dron, Mitchell, Boyne, et al., 2000), um coeficiente de decaímento, proporcional à atividade relativa e da utilização do sistema é aplicado aos recursos mais velhos, de modo a que eles desapareçam da lista de recomendações.

Indeterminação da referência

Muitos dos algoritmos que geram os coletivos no ciberespaço são segredos comerciais, zelosamente guardados pelos seus proprietários. Exceto o Google, o Amazon, o Facebook, e outras organizações comerciais similares, além da quantidade relativamente pequena dos trabalhos publicados que eles produzem, só podemos adivinhar os meios que eles utilizam para agregar a sabedoria da multidão e assim poder moldar as nossas experiências até onde seja possível, o comportamento dos algoritmos e as decisões que eles fazem devem ser explícitos, ou pelo menos descobertos. Se possível, os utilizadores devem ser capazes de ajustar o funcionamento dos algoritmos aos quais eles exibem para atender às suas necessidades de mudanças para o utilizador que fique por último, no entanto, não é necessariamente uma coisa má que alguns detalhes sejam mantidos em segredo.

Como Kay e Kummerfeld (2006) e Dron (2002) descobriram, enquanto a Indeterminação da referência de algoritmos e a capacidade de ajustar as ponderações que inclusive deixam muito a desejar... aumenta a complexidade para o último utilizador, muitas vezes com pouco ou nenhum benefício. E uma forma de reduzir essa complexidade é fornecer modelos assistidos ou num intervalo fixo das configurações que eles precisem. No entanto, para aqueles que estão dispostos a fazer um esforço maior para aperfeiçoar o coletivo com as suas necessidades, deve ser possível aceder a uma gama mais ampla de configurações também. O Amazon é um bom exemplo no uso de algoritmos de maneira geral, pois permite que os indivíduos possam fornecer avaliações explícitas para melhorar as suas recomendações, e para especificar as opções a serem excluídas da parte que já foi usada para as classificações. Em princípio, é melhor permitir que as pessoas façam os seus ajustes no momento em que eles são necessários, e não depois num cenário geral, mas isso de novo aumenta a complexidade cognitiva.

Conclusão[editar | editar código-fonte]

Este foi um longo capítulo que, embora tenha coberto inúmeros terrenos, apenas arranhamos a superfície do ensino e aprendizagem da utilização e os benefícios dos coletivos. Achamos que vale a pena investir o nosso tempo com isso, porque os coletivos são fundamentais para a abertura de um custo sensível e efetivo para a aprendizagem ao longo da vida socialmente habilitada. Vimos que as redes e os conjuntos oferecem oportunidades ricas e variadas para a aprendizagem, mas, ao contrário dos grupos, eles não são formas tecnológicas e, portanto, não fornecem os processos de portabilidade e apoio que evoluíram ao longo de centenas de anos de uso educacional. Os Coletivos tem o potencial para serem organizadores dos aprendizados, ensinando presenças que possam orientar e auxiliar os alunos de acordo com as suas necessidades, e ao mesmo tempo que lhes permita manter o controle do processo de aprendizagem ao envolver-se numa aprendizagem rica e social.

Embora tenhamos coletivos desde a criação da civilização humana, a escala do ciberespaço e das potencialidades das redes sociais podem gerar novas e mais complexas formas de coletivos, fazendo com que isto seja talvez uma característica mais significativa entre a nova geração de aprendizagem on-line que já tivemos. A capacidade de analisar redes de grandes escala, e, especialmente, definir o que nos permita vislumbrar na mente de grupos que eram invisíveis antes, ou explorar a sabedoria numa multidão através de maneiras novas e pedagogicamente valiosas.

O perigo da insensatez da multidão não deve ser subestimado, no entanto, ao confiar o nosso aprendizado à multidão também estamos confiando-a aos algoritmos, tanto nas mentes das pessoas da multidão como num programa que agrega e transforma as suas formas de uso. Isto é um projeto cuidadoso, e a pedido dos próprios coletivos de aprendizagem, que é a consciência atenta aos pontos fortes e fracos que podem ocorrer ao longo do caminho para aumentar a sua confiabilidade, mas também é importante que os alunos e professores possam desenvolver alfabetização coletiva: para saber se os coletivos estão fazendo bom uso das suas experiências nas aprendizagens que estão sendo moldadas por eles mesmos, e também saber aonde estão os perigos que levam ao engano. No capítulo 9, vamos explorar estes e outros perigos dos softwares sociais com maior profundidade.

(por Francisco Oliveira e Pedro Carneiro)

  1. Fontes de informações oriundas de uma multidão
  2. Qualidade de um objeto, ou de um ambiente, que permite que um indivíduo realize uma ação
  3. Curso Online Aberto e Massivo, do inglês Massive Open Online Course (MOOC)
  4. "The Matthew Effect" Na sociologia o efeito Mateus ou vantagem acumulada (“Efeito Mateus”, fazendo uma analogia à passagem bílbica: “A todo aquele que tem, será dado mais, e terá em abundância. Mas ao que não tem, até o que tem lhe será tirado.” (Mateus, 25, 28-29).)
  5. A filter bubble is a result of a personalized search in which a website algorithm selectively guesses what information a user would like to see based on information about the user (such as location, past click behavior and search history) and, as a result, users become separated from information that disagrees with their viewpoints, effectively isolating them in their own cultural or ideological bubbles. from: https://en.wikipedia.org/wiki/Filter_bubble